Factors associated with cyber-victimization among immigrants and non-immigrants in Canada: a cross-sectional nationally-representative study
Notice bibliographique
Résumé
OBJECTIVES: There is a paucity of research on patterns of cyber-victimization in minority groups, including immigrants. This study aimed to identify individual, interpersonal and contextual characteristics associated with cyber-victimization among immigrants and non-immigrants. METHODS: We drew on nationally representative data from adolescents and adults in the Canadian General Social Survey on victimization (2014). We used multivariable logistic regression to identify potential factors associated with cyber-victimization in the last 12 months, stratified by immigrant status and sex. RESULTS: Among 27,425 survey respondents, the weighted prevalence of cyber-victimization in the last 12 months was 2.1% among immigrants and 2.3% among non-immigrants. Cyber-victimization rates differed significantly by sex among immigrants (2.8% for males vs. 1.4% for females), but not among non-immigrants (2.1% for males vs. 2.4% for females). While most other factors associated with cyber-victimization were similar for immigrants and non-immigrants, there were pronounced associations of past child maltreatment (adjusted prevalence odds ratio [aPOR] 4.85, 95% confidence interval [CI] 2.76, 8.52) and residence in an unwelcoming neighbourhood (aPOR 5.08, 95% CI 2.44, 10.55) with cyber-victimization among immigrants that were diminished or absent among non-immigrants. Additionally, sex-stratified analyses among immigrants showed cyber-victimization to be strongly associated with having a mental health condition (aPOR 3.50, 95% CI 1.36, 8.97) among immigrant males only, and with perceived discrimination (aPOR 4.08, 95% CI 1.65, 10.08), as well as being under 24 years old (aPOR 3.24, 95% CI 1.09, 9.60) among immigrant females. CONCLUSIONS: Immigration status and sex were differentially associated with cyber-victimization. Findings support the salience of a social-ecological perspective and gender-stratified analyses to better elucidate complex pathways linking cyber-victimization to potential gender-based health inequities among immigrants.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».